XiaoMi-AI文件搜索系统
World File Search System套利
使用套利价差
摘要：电池运营商的重要收入来源通常是在拍卖行中仲裁每小时价格的利差。如果风险是考虑因素，则最佳方法是具有挑战性的，因为这需要估计密度函数。由于每小时价格不正常，也不是独立的，因此从单独估计的价格密度的差异产生差异通常是棘手的。因此，对所有日内每小时扩散的预测被直接指定为含有密度的上三角基质。该模型是一种灵活的四参数分布，用于产生动态参数估计，以外源性因素为条件，最重要的是风，太阳能和天上的需求预测。这些预测支持每天在单个和多个周期运行的存储设施的最佳日程安排。本文认为，优化的利用差价是创新的，而不是每小时的价格，这在降低风险方面更具吸引力。与传统的每日高峰和低谷交易的方法相反，根据天气预报的不同，发现多个交易是促销和机会主义的。
套利与产能巩固与日俱增……
摘要 — 混合光伏电站 (HPP) 将光伏 (PV) 电站与电池储能系统 (BESS) 结合在一起，美国能源部认为这是朝着可再生能源发电厂未来迈出的有希望的一步。当可再生能源渗透率达到相当高的水平时，混合光伏电站可以作为可控热电厂参与未来电力市场的竞标。本研究提出了一种 HPP 的竞标和 BESS 调度模型。稳健优化 (RO) 技术已被用来识别竞标过程中不确定性的最坏情况。为了解决单级 RO 过于保守的问题，我们通过两级 RO 公式将 BESS 套利计划和 PV 容量固定分离。通过比较单级 RO 和两级 RO 的输出，两级 RO 以更积极的方式进行竞标和调度，从而增加了 HPP 的收入。此外，我们的模型还考虑了发电不足的惩罚，以便可以根据潜在的发电不足惩罚调整日前竞价决策和套利计划。由于所提出的模型是非凸的并且包含多个阶段，因此将列和约束生成 (C&CG) 算法应用于该模型作为解决方案。与案例研究中最先进的单阶段竞价方法相比，所提出的模型表现出更好的经济性能。
由可解释人工智能驱动的统计套利
机器学习技术最近已成为检测金融市场模式的常态。但是，仅依靠机器学习算法进行决策可能会产生负面影响，尤其是在金融等关键领域。另一方面，众所周知，将数据转化为可操作的见解即使对于经验丰富的从业者来说也是一项挑战，尤其是在金融界。鉴于这些令人信服的理由，这项工作提出了一种由可解释的人工智能技术驱动的机器学习方法，该方法集成到统计套利交易管道中。具体来说，我们提出了三种方法来丢弃与预测任务无关的特征。我们对标准普尔 500 指数成分股的历史数据评估了这些方法，旨在不仅提高股票层面的预测性能，而且提高股票集层面的整体预测性能。我们的分析表明，包含此类特征选择方法的交易策略通过提供预测信号来改善投资组合的表现，这些预测信号的信息内容足够，并且比嵌入整个特征集中的信号噪音更小。通过进行深入的风险回报分析，我们表明，由可解释的人工智能驱动的拟议交易策略优于被视为基线的高度竞争交易策略。
套利与快速频率响应之间的协同作用......
4 包络线是电力系统调节中使用的一个概念，表示为电池充电状态管理提供灵活性的领域。EFR 定义了“宽”和“窄”包络线，每个包络线都与一个单独的产品相关，该产品由 a) 死区和 b) 允许的 9% 的电池标称容量进行充电或放电操作定义。
大规模电池存储、短期市场结果和套利∗
四个默认负荷聚合点 (DLAP) 提供 6 个 RTM 价格。与 Bushnell 和 Novan [ 2021 ] 类似，我们对来自 DLAP 位置的价格数据取平均值，以获得 CAISO 的独特时间序列。四个 DLAP 位置分别是太平洋天然气电力公司 (PG&E)、南加州爱迪生公司 (SCE)、圣地亚哥天然气电力公司 (SDG&E) 和谷地电力协会 (VEA)。每个 DLAP 内的价格是边际能源价格与拥堵和损失价格的总和。能源成分是 DLAP 价格中最大的成分，它在 DLAP 之间保持不变，从而导致 DLAP 之间的高度相关性。同样，我们从三个 CAISO 交易区（NP15、SP15 和 ZP26）获得 DAM 价格，并对这些时间序列取平均值，以获得 DAM 价格的独特时间序列。 7 EIA-860 表格报告了有关现有发电机和 1 兆瓦或更大功率容量的存储设施的发电机级具体信息。美国能源部全球能源存储数据库是美国和全球详细能源存储项目的开放获取资源。8 加利福尼亚州于 2020 年 3 月 4 日通过行政命令 N-33-20 宣布进入紧急状态，随后于 3 月 19 日发布了全州强制居家令。
大规模电池存储、短期市场结果和套利
储能对电力市场结果的影响：排放（例如 Holladay 和 LaRiviere，2018 年）、储能在辅助服务市场中的价值（例如 Cheng 和 Powell，2016 年）；储能在整合 VRE 中的作用（例如 Black 和 Strbac，2007 年）；电池的拥堵效益（Kirkpatrick，2020 年）；市场结构对电池投资和社会福利的影响（Andres-Cerezo 和 Fabra，2020 年）
股息套利交易计划行动计划（“Cum-Ex ...”
3. EBA 向根据国家法律指定负责 EBA 职权范围内的金融机构反洗钱监管的机构提交了一项调查。该调查旨在了解股息套利交易计划（例如 cum-ex 和 cum-cum 计划）是否被视为税务犯罪，以及处理此类计划的收益是否构成洗钱，符合指令 (EU) 2015/849 (AMLD4)。它还试图确定监管机构如何评估与这些计划相关的 ML/TF 风险，并获取有关监管机构为应对这些风险而采取的行动的信息。EBA 向审慎监管机构进行了第二项调查，以了解金融机构参与此类计划如何遵守审慎框架，特别是指令 2013/36/EU (CRDIV) 中有关机构治理安排的规定。
利用储能进行功率因数校正套利
摘要 — 随着通过仅产生有功功率的逆变器连接的分布式发电大规模集成，无功功率补偿对于功率因数 (PF) 校正的重要性将显著增加。在这项工作中，我们专注于共同优化储能以进行能源套利以及局部功率因数校正。联合优化问题是非凸的，但可以使用 McCormick 松弛和基于惩罚的方案有效地解决。通过对真实数据和实际存储配置文件进行数值模拟，我们表明储能可以在不降低套利利润的情况下局部校正 PF。观察到有功功率和无功功率控制在本质上在很大程度上是解耦的，用于执行套利和 PF 校正 (PFC)。此外，我们考虑实时实现具有不确定负载、可再生和定价配置文件的问题。我们开发了一种基于模型预测控制的存储控制策略，使用自回归预测来应对不确定性。我们观察到 PFC 主要受转换器大小控制，因此在线设置中的时间前瞻不会对 PFC 产生明显影响。然而，与缓慢上升的电池相比，上升速度更快的电池的套利利润对不确定性更为敏感。
税率套利实现长期收益以实现……
1 Constantinides 1983 使用期权理论框架量化税收管理投资中时机损失和收益实现的价值。Wilcox、Horvitz 和 diBartolomeo 2006 对税收管理投资进行了更近期、更全面的阐述。Geddes、Goldberg 和 Bianchi (2015) 说明了指数化损失收获投资组合作为定期产生资本收益的资产配置的一部分的价值。2 Jeffrey 和 Arnott 1993；Arnott、Berkin 和 Ye 2000；以及 Arnott、Berkin 和 Bouchey 2011 证明了税收管理对应税投资者股票投资组合的重要性。Berkin 和 Ye 2003 使用蒙特卡罗模拟量化最高进先出 (HIFO) 会计的收益，以及在股票特定风险相对较高、平均回报率较低和股息收益率较高的市场中损失收获的增量收益。 Berkin 和 Luck 2010 使用蒙特卡罗模拟来展示税收管理在扩展股票策略中的好处。Bergstresser 和 Pontiff 2013 使用实证数据记录了税收对投资组合价值、增长和规模的影响，并表明税收加剧了股票溢价之谜。Israel 和 Moskowitz 2012 探讨了税收管理对规模、价值、增长和动量的影响。Geddes 2011 和 Geddes 和 Tymoczko 2019 使用蒙特卡罗模拟来展示单独管理账户中的损失收割相对于持有交易所交易基金 (ETF) 的税后收益。Sialm 和 Sosner 2018 量化了税收管理的 130-30 和多空市场中性策略的税后回报。 Santodomingo、Nemtchinov 和 Li (2016) 和 Goldberg、Hand 和 Cai (2019a) 使用历史回溯测试研究了流行因子倾向的税后回报和风险状况。Goldberg、Hand 和 Cai (2019b) 描述了指数跟踪和无碳策略的类似概况。3 Constantinides (1984)；Dammon、Dunn 和 Spatt (1989)；以及 Stein、Vadlamudi 和 Bouchey (2008) 使用蒙特卡洛模拟来评估税率套利策略。